Resumen y evolución de hospitalizaciones, UCIs y fallecimientos por el COVID19

Semana 18 2021

Resumen

preparar datos para gráficas

library(readr)
library(dplyr)
library(tidyr)
library(ggplot2)
library(stringr)
require(RCurl)
library(lubridate)


url_file_prov<-"https://raw.githubusercontent.com/montera34/escovid19data/master/data/output/covid19-provincias-spain_consolidated.csv"
url_file_poblacion <- "https://raw.githubusercontent.com/montera34/escovid19data/master/data/original/provincias-poblacion.csv"

provincias <- read.csv( url_file_prov,encoding = "UTF-8")
provincias_poblacion <- read.csv( url_file_poblacion,encoding = "UTF-8")


provincias  <- provincias  %>%
               filter (date >= "2020-12-02")  
provincias$date <-  as.Date(provincias$date,format= "%Y-%m-%d")
provincias <- provincias  %>% 
                select (date,province,ccaa,hospitalized,intensive_care,daily_deaths) %>% 
                merge(select(provincias_poblacion,provincia,poblacion,ine_code),
                      by.x = "province", by.y = "provincia"  ) %>% 
                mutate(hospitalized_tot = ifelse(ccaa == "Andalucía" |
                                                   ccaa == "Madrid, Comunidad de" |
                                                   ccaa == "Cantabria" |
                                                   ccaa == "Murcia" |
                                                   ccaa == "Cantabria",hospitalized ,
                                                                       hospitalized+intensive_care)) %>%
                mutate (hospitalized_nor =hospitalized_tot *100000/ poblacion )  %>%
                mutate (intensive_care_nor = intensive_care *100000/ poblacion)  %>%
                mutate (daily_deaths_nor =daily_deaths *100000/ poblacion ) %>%
                mutate (year = as.integer(format(date, format="%Y")) -2020) %>%
                mutate (week = (as.integer(format(date, format="%U")) +1)+(52*year))  %>%
                arrange (week) 

Plantilla de gráficos

theme_a <- function(base_size = 12,
                    base_family = "sans"
                           )
    {
 
    tema <-
        theme_bw(base_size=base_size) +
          
        theme(legend.position="top") +
        theme(legend.text = element_text(size=base_size+1,family = base_family)) +
        theme(plot.title=element_text(size=base_size+2, 
                                      vjust=1.25, 
                                      family=base_family, 
                                      hjust = 0.5
                                      )) +
        
        theme(plot.subtitle=element_text(size=base_size, family = base_family))  +
        theme(text = element_text(size=base_size+1,family = base_family)) +
        theme(axis.text.x=element_text(size=base_size,family = base_family)) +
        theme(axis.text.y=element_text(size=base_size, family = base_family)) +

        theme(axis.title.x=element_text(size=base_size, vjust=0, family = base_family)) +
        theme(axis.title.y=element_text(size=base_size, vjust=1.25, family = base_family)) +
        theme(plot.caption=element_text(size=base_size-2, family = base_family)) +
        theme(strip.text = element_text(size=base_size+1, family = base_family)) +
        theme(strip.text.x = element_text(size=base_size, family = base_family)) +
        theme(strip.text.y = element_text(size=base_size,, family = base_family)) 
 
    return (tema)
}

Gráfica de tendencia

tendencia <- function (provincias,indicator,text_indicator,max_size,skip,left_margin){
  
library(ggalt)
  
weeks <- unique(provincias$week)
first_week <- min(weeks,na.rm = TRUE)  
last_week <- max(weeks,na.rm = TRUE)
last_week_text <- last_week %% 53
name_file <- paste0("images/diferencias_",indicator,"_tendencia.png")
chart_title <- paste("Diferencia de",text_indicator, "entre las semanas",last_week_text-1, "y",last_week_text )

diff <- mutate (provincias,indicator=provincias[[indicator]]) %>%
    filter (week == last_week | week == last_week-1 ) %>%
    filter (!is.na (indicator) ) %>%   
    select (week,province,indicator,ccaa)  %>%
    group_by(week,province,ccaa) %>%
    summarise ( indicator_week = mean (indicator), .groups = 'drop') %>%
    mutate (indicator_last_week = ifelse(week == last_week, indicator_week, NA)) %>%
    mutate (indicator_pre_last_week = ifelse(week == last_week-1, indicator_week, NA))%>%
    group_by(province,ccaa) %>%
    summarise ( indicator_last_week = sum (indicator_last_week,na.rm = TRUE),
                indicator_pre_last_week = sum (indicator_pre_last_week,na.rm = TRUE) ,
                indicator_diff = indicator_last_week - indicator_pre_last_week,
                .groups = 'drop') %>%
    filter (indicator_last_week > 0 & indicator_pre_last_week > 0,) %>%
    mutate(Color = ifelse(indicator_diff >0, "Incremento", "Descenso"))

grafica <-  
  ggplot(data = diff) + 
  geom_segment(aes(x=indicator_pre_last_week, 
               xend=indicator_last_week, 
               y= reorder(province,indicator_last_week), 
               yend=province, 
               color=Color),
               arrow = arrow(length=unit(0.20,"cm"), ends="last", type = "closed"),size=1)+
  geom_line (aes(x=indicator_last_week, 
               y= as.numeric(reorder(province,indicator_last_week))),
               size=4, alpha=0.5, color = "gray") +
  labs(x = "Variación", y = "Provincias",
            caption = "By @congosto\nFuente: @escovid19data. https://github.com/montera34/escovid19data",
            title = chart_title,
            subtitle="Normalizado a 100.000 habitantes.Los valores semanales se calculan como media\nEn rojo las provincias que aumentan las hospitalizaciones, en azul las que disminuyen")+
  scale_colour_manual('', values = c('Descenso'='steelblue4', 'Incremento'='red4')) +
  scale_x_continuous(name=text_indicator,position = "top",
                     limit = c(-left_margin,max_size),
                     breaks=seq(0, max_size, by = skip), 
                     #expand =  c(0,0),
                     sec.axis = dup_axis() ) +
  theme_a()+
  theme(axis.title.y=element_blank(),
        axis.text.y=element_blank(),
        axis.ticks.x=element_blank(),
        axis.ticks.y=element_blank(),
        panel.grid.major.y = element_blank(),
        panel.grid.major.x = element_line(colour = "gray")) +

  ggsave(name_file,width = 200, height = 200,unit="mm")
return (grafica)

}

Hospitalizados en la última semana (variación)

Gráfica sin nombres de provincia para destacar la tendencia.

res <-  tendencia (provincias,"hospitalized_nor", "Hospitalizados",50,25,1)
plot(res)

Gráfica de distribución

distribucion <- function (provincias,indicator,text_indicator) {
  
weeks <- unique(provincias$week)
first_week <- min(weeks,na.rm = TRUE)  
last_week <- max(weeks,na.rm = TRUE)
name_file <- paste0("images/diferencias_",indicator,"_distribucion.png")
chart_title <- paste("Distribución de",text_indicator, "el último mes" )


df <- mutate (provincias,indicator=provincias[[indicator]]) %>%
      filter (!is.na (indicator) ) %>%   
      rename (fecha = date) %>%
      filter (week > last_week -4) %>%
      select (fecha,week,province,indicator)  %>%
      group_by(week,province)%>%
      summarise ( indicator_week = mean (indicator),
                  fecha = lubridate::ymd( "2021-01-01" ) + lubridate::weeks( week - 53 ),
                  .groups = 'drop')

grafica <- ggplot(data = df, 
       aes( x=fecha, y=indicator_week, group = week)) + 
       geom_boxplot(color="red4") +
       stat_summary(geom="text", fun=quantile,
                   aes(label=sprintf("%1.1f", ..y..)), 
                   position=position_nudge(x=3.50), size=3.5) +
       labs( title = chart_title,
             caption = "By @congosto\nFuente: @escovid19data. https://github.com/montera34/escovid19data")+
       guides(color = FALSE)+
       theme_a()+
       theme(axis.title.y=element_blank(),
          axis.title.x=element_blank(),
          panel.grid.major.y = element_blank(),
          legend.position="top",legend.text = element_text(size=11)) 

ggsave(name_file,width = 200, height = 125,unit="mm")
return (grafica)
}

Distribución de hospitalizaciones

res <-  distribucion (provincias,"hospitalized_nor", "Hospitalizados")
plot(res)

### Distribución de UCI

res <-  distribucion (provincias,"intensive_care_nor", "UCI")
plot(res)

### Gráfica de variación (incremento-descenso)

dumbbell_A <- function (provincias,indicator,text_indicator,max_size,skip,left_margin){
  
library(ggalt)
  
weeks <- unique(provincias$week)
first_week <- min(weeks,na.rm = TRUE)  
last_week <- max(weeks,na.rm = TRUE)
last_week_text <- last_week %% 53
name_file <- paste0("images/diferencias_",indicator,"_incremento_dumbbell.png")
chart_title <- paste("Diferencia de",text_indicator, "entre las semanas",last_week_text-1, "y",last_week_text )


diff  <- mutate (provincias,indicator=provincias[[indicator]]) %>%
         filter (!is.na (indicator) ) %>%
         filter (week == last_week | week == last_week-1 ) %>%
         select (week,province,indicator)  %>%
         group_by(week,province) %>%
         summarise ( indicator_week = mean (indicator), .groups = 'drop') %>%
         mutate(indicator_last_week = ifelse(week == last_week, indicator_week, NA))  %>%
         mutate(indicator_pre_last_week = ifelse(week == last_week-1, indicator_week, NA)) %>%
         group_by(province) %>%
         summarise ( indicator_last_week = sum (indicator_last_week,na.rm = TRUE), 
                indicator_pre_last_week = sum (indicator_pre_last_week,na.rm = TRUE) ,
                indicator_diff = indicator_last_week - indicator_pre_last_week,na.rm = TRUE,
                .groups = 'drop') %>%
         filter (indicator_last_week > 0 & indicator_pre_last_week > 0) %>%
         mutate(Color = ifelse(indicator_diff >0, "Incremento", "Descenso"),
                ajuste_text = ifelse(indicator_diff >=0, -0.2,1.2),
                ajuste_perc = ifelse(indicator_diff > 0,  1.2,-0.2))

p <- 
  ggplot( data = diff) + 
  geom_segment(aes(x=indicator_pre_last_week, 
               xend=indicator_last_week, 
               y= reorder(province,indicator_last_week), 
               yend=province, 
               color=Color),
              arrow = arrow(length=unit(0.20,"cm"), ends="last", type = "closed"),size=1)+
  geom_line (aes(x=indicator_last_week, 
               y= as.numeric(reorder(province,indicator_last_week))),
               size=4, alpha=0.5, color = "gray") +
  geom_text(aes(x=indicator_last_week, 
                y= reorder(province,indicator_last_week), color=Color, label = province, 
                hjust= ajuste_text),
               size=4, vjust=0, show.legend = FALSE ) +
  geom_text(aes(x=indicator_pre_last_week, 
                y= reorder(province,indicator_last_week), color=Color,label = round(indicator_diff,1),
                hjust= ajuste_perc),
                size=4, vjust=0, show.legend = FALSE ) +
  labs(x = "Variación", y = "Provincia",
       caption = "By @congosto\nFuente: @escovid19data. https://github.com/montera34/escovid19data",
       title = chart_title,
       subtitle="Normalizado a 100.000 habitantes.Los valores semanales se calculan como media\nEn rojo las provincias que aumentan las hospitalizaciones, en azul las que disminuyen.\nLos números corresponden a la variación entre ambas semanas")+
  scale_colour_manual('', values = c('Descenso'='steelblue4', 'Incremento'='red4')) +
  scale_x_continuous(name=text_indicator,position = "top", 
                     limit = c(-left_margin,max_size),
                     breaks=seq(0, max_size, by = skip),
                     sec.axis = dup_axis() ) +
  theme_a()+
  theme(axis.title.y=element_blank(),
        axis.text.y=element_blank(),
        axis.ticks.y=element_blank(),
        axis.ticks.x=element_blank(),
        panel.grid.major.y = element_blank(),
        panel.grid.major.x = element_line(colour = "gray")) +
  
ggsave(name_file,width = 200, height = 325,unit="mm")
return (p)

}

Gráfica de variación (valor inicio-final)

dumbbell_B <- function (provincias,indicator,text_indicator,max_size,skip,left_margin){
  
library(ggalt)
  
weeks <- unique(provincias$week)
first_week <- min(weeks,na.rm = TRUE)  
last_week <- max(weeks,na.rm = TRUE) 
last_week_text <- last_week %% 53

name_file <- paste0("images/diferencias_",indicator,"_valor_dumbbell.png")
chart_title <- paste("Diferencia de",text_indicator, "entre las semanas", last_week_text-1,"y",last_week_text  )
diff <- mutate (provincias,indicator=provincias[[indicator]]) %>%
        filter (!is.na (indicator) ) %>%
        select (week,province,indicator)  %>%
        group_by(week,province) %>%
        summarise ( indicator_week = mean (indicator), .groups = 'drop') %>%
        mutate(indicator_last_week = ifelse(week == last_week, indicator_week, NA))  %>%
        mutate(indicator_pre_last_week = ifelse(week == last_week-1, indicator_week, NA)) %>%
        group_by(province) %>%
        summarise ( indicator_last_week = sum (indicator_last_week,na.rm = TRUE),
                    indicator_pre_last_week = sum (indicator_pre_last_week,na.rm = TRUE) ,
                   indicator_diff = indicator_last_week - indicator_pre_last_week,na.rm = TRUE,
                   .groups = 'drop') %>%
       filter (indicator_last_week > 0 & indicator_pre_last_week > 0) %>%
       mutate(Color = ifelse(indicator_diff >0, "Incremento", "Descenso"),
              text_last_week = ifelse(indicator_diff >0, paste(round(indicator_last_week,1),province),
                                                     paste(province,round(indicator_last_week,1))),
              ajuste_last_week = ifelse(indicator_diff >0, -0.2,1.2),
              ajuste_pre_last_week = ifelse(indicator_diff >0 ,1.2, -0.2))

p <-
  ggplot(data = diff) + 
    geom_segment(aes(x=indicator_pre_last_week, 
                     xend=indicator_last_week, 
                     y= reorder(province,indicator_last_week), 
                     yend=province, 
                     color=Color),
                     arrow = arrow(length=unit(0.20,"cm"), ends="last", type = "closed"),size=1)+
    geom_line (aes(x=indicator_last_week, 
                     y= as.numeric(reorder(province,indicator_last_week))),
                     size=4, alpha=0.7, color = "gray") +
    geom_text(aes(x=indicator_last_week, 
                     y= reorder(province,indicator_last_week), color=Color, 
                     label = text_last_week,
                     hjust=  ajuste_last_week),
                     size=4, vjust=0, show.legend = FALSE ) +
    geom_text(aes(x=indicator_pre_last_week, 
                     y= reorder(province,indicator_last_week), color=Color,
                     label = round(indicator_pre_last_week,1),
                     hjust= ajuste_pre_last_week),
                     size=4, vjust=0, show.legend = FALSE ) +
    labs(x = "Variación", y = "Provincia",
            caption = "By @congosto\nFuente: @escovid19data. https://github.com/montera34/escovid19data",
            title = chart_title,
            subtitle="Normalizado a 100.000 habitantes.Los valores semanales se calculan como media\nEn rojo las provincias que aumentan las hospitalizaciones, en azul las que disminuyen.\nLos números corresponden a la tasa de cada semana")+
    scale_colour_manual('', values = c('Descenso'='steelblue4', 'Incremento'='red4')) +
    scale_x_continuous(name=text_indicator,position = "top",
                       limit = c(-left_margin,max_size),
                       breaks=seq(0, max_size, by = skip),
                       sec.axis = dup_axis() ) +
    theme_a()+
    theme(axis.title.y=element_blank(),
          axis.text.y=element_blank(),
          axis.ticks.y=element_blank(),
          axis.ticks.x=element_blank(),
          panel.grid.major.y = element_blank(),
          panel.grid.major.x = element_line(colour = "gray")) +
ggsave(name_file,width = 200, height = 325, units = "mm")
return (p)

}

Varación de hospitalizados en la última semana (incremento-descenso)

res <-  dumbbell_A (provincias,"hospitalized_nor", "Hospitalizados",50,25,5)
plot(res)

Variación de hospitalizados en la última semana (valor inicial y final)

res <-  dumbbell_B (provincias,"hospitalized_nor", "Hospitalizados",50,25,5)
plot(res)

Variación de UCI en la última semana (incremento-descenso)

res <-  dumbbell_A (provincias,"intensive_care_nor", "UCI",15,5,1)
plot(res)

Variación de UCI en la última semana (valores)

res <-  dumbbell_B (provincias,"intensive_care_nor", "UCI",15,5,1.2)
plot(res)

Gráfica mapa calor

heat_map_resumen <- function (provincias,indicator,text_indicator){
  
weeks <- unique(provincias$week)
first_week <- min(weeks,na.rm = TRUE)  
last_week <- max(weeks,na.rm = TRUE)
name_file <- paste0("images/tercera_ola_",indicator,"_resumen.png")
chart_title <- paste("Evolución de", text_indicator)
df <- mutate (provincias,indicator=provincias[[indicator]]) %>%
    filter (!is.na (indicator) ) %>%
    select (week,province,indicator)  %>%
    group_by(week,province) %>%
    summarise ( indicator_week = mean (indicator), .groups = 'drop') %>%
    mutate(indicator_last_week = ifelse(week == last_week, indicator_week, 0))

p <- 
ggplot(data = df,
       aes(x = week, y = reorder(province,(indicator_last_week)), fill=indicator_week)) +
  geom_tile()+
  geom_text(aes(label = round(indicator_week,1)), color="white", size=2.5,hjust=0.5, vjust=0.5 ) +
  scale_fill_gradient(low = "steelblue", high = "red4")+
  labs(y = "Provincia",
       caption = "By @congosto\nFuente: @escovid19data. https://github.com/montera34/escovid19data",
       title = chart_title, 
       subtitle="Tercera Ola (desde el 2 de diciembre). Normalizado a 100.000 habitantes")+
  scale_x_continuous(name="Semanas", breaks= weeks ,position = "top",
                     sec.axis = dup_axis()) +
  theme_a()+
  theme(legend.title=element_blank(),
        axis.ticks.y=element_blank(),
        axis.ticks.x=element_blank(),
        axis.title.y=element_blank(),
        panel.border = element_blank(),
        panel.background = element_blank(),
        axis.text.x=element_text(size=10),
        axis.text.y=element_text(size=10),
        legend.position="right") +
ggsave(name_file)
return (p)

}

Evolución de Hospitalizaciones

res <-  heat_map_resumen (provincias,"hospitalized_nor", "Hospitalizados")
plot(res)

Evolución de UCI

res <-  heat_map_resumen (provincias,"intensive_care_nor", "UCI")
plot(res)

Evolución de Fallecimientos

res <-  heat_map_resumen (provincias,"daily_deaths_nor", "Fallecimientos")
plot(res)

Evolución de hospitalizaciones, UCIs

Gráficas inspiradas en las realizadas por @BIOCOMSC1 sobre el riesgo del COVID19. Dan mucha información con pocos elementos (poca tinta), permitiendo ver la evolución, el estado actual y las zonas de riesgo. Risk Diagrams

Cuando los datos tienen una componente temporal normalmente usamos un line chart. En estas gráficas se representa la relación de dos variables a través del tiempo de una manera distinta. Es un diagrama de puntos unidos según su evolución en el tiempo.

No sé el nombre que reciben estos gráficos pero William Phillips los utilizó 1958 para representar la evolución del desempleo y la inflación a través del tiempo, que ha pasado a la historia como “la curva Phillips”.

la curva de Phillips

Las gráficas han sido mejoradas con la idea de Maarten Lambrechts de agrupar los datos semanalmente y señalar en el path el número de la semana.

La fuente de datos es el repositorio #escovid19data

Las gráficas muestran la relación entre UCI y hospitalizados calculados como media semanal.

La semana de inicio es la 32 (3 Ago~9 Ago)

El código de color usado es:

• verde: semana de inicio
• rojo: semana de fin de fin
• azul: semanas intermedias

Orden de las gráficas es el del INE

• 01 Andalucía
• 02 Aragón
• 03 Asturias, Principado de
• 04 Balears, Illes
• 05 Canarias
• 06 Cantabria
• 07 Castilla y León
• 08 Castilla - La Mancha
• 09 Cataluña
• 10 Comunitat Valenciana
• 11 Extremadura
• 12 Galicia
• 13 Madrid, Comunidad de
• 14 Murcia, Región de
• 15 Navarra, Comunidad Foral de
• 16 País Vasco
• 17 Rioja, La
• 18 Ceuta
• 19 Melilla

Grafica connected scatterplot

connected_scatterplot_hos_UCI <- function  (provincias,autonomia) {

  autonomia_text <- str_replace_all(autonomia, " ", "_")
  name_file <- paste0("images/tercera_ola_",autonomia_text,"_UCI_vs_hospitalizados.png")
  chart_title <- paste("Evolución de los Hospitalizados vs. UCI (media semanal) en",autonomia)
  
  df <- filter (provincias,ccaa == autonomia) %>%
        filter (!is.na(hospitalized_nor)) %>%
        filter (!is.na(intensive_care_nor)) %>%
        mutate(tipo_fecha = ifelse(week == min(week), "primera", 
                              ifelse(week == max(week), "ultima","otras"))) %>%
        group_by(week,province) %>%
        summarise ( hospitalized_nor_week = mean(hospitalized_nor),
                    daily_death_nor_week = mean(daily_deaths_nor),
                    intensive_care_nor_week = mean(intensive_care_nor),
                    tipo_fecha = tipo_fecha,
                    .groups = 'drop')  %>%
                    arrange (week,province) 

  p <- 
  ggplot(data = df,
         aes(x=hospitalized_nor_week, y=intensive_care_nor_week, color=tipo_fecha ))+
    geom_path (color="cornflowerblue",size=0.5,alpha=0.5)+
    geom_label(aes(label = ifelse(week > 53 ,week %% 53,week)),
               label.padding = unit(0.15, "lines"),
               size=3,hjust=1.1, vjust=0.5 ) + 
    labs(x = "Hospitalizados (media semanal)", y = "UCI (media semanal)",
         caption = "By @congosto\nFuente: @escovid19data. https://github.com/montera34/escovid19data",
         title = chart_title,
         subtitle="Tercera Ola (desde el 2 de diciembre). Normalizado a 100.000 habitantes") +
    scale_colour_manual('', values = c('primera' = 'forestgreen',
                                      'ultima' = 'red',
                                      'otras' = 'steelblue4')) +
    guides(color = FALSE) +   
    theme_a()+
    facet_wrap(~ province) +
  ggsave(name_file )
return(p)
}

01 Andalucía

Segunda Ola (desde el 3 de agosto)

res <-  connected_scatterplot_hos_UCI (provincias,"Andalucía")
plot(res)

02 Aragón

Segunda Ola (desde el 3 de agosto)

res <-  connected_scatterplot_hos_UCI (provincias,"Aragón")
plot(res)

03 Asturias, Principado de

Segunda Ola (desde el 3 de agosto)

res <-  connected_scatterplot_hos_UCI (provincias,"Asturias, Principado de")
plot(res)

04 Balears, Illes

Segunda Ola (desde el 3 de agosto)

res <-  connected_scatterplot_hos_UCI (provincias,"Balears, Illes")
plot(res)

05 Canarias

res <-  connected_scatterplot_hos_UCI (provincias,"Canarias")
plot(res)

06 Cantabria

Segunda Ola (desde el 3 de agosto)

res <-  connected_scatterplot_hos_UCI (provincias,"Cantabria")
plot(res)

07 Castilla y León

Segunda Ola (desde el 3 de agosto)

res <-  connected_scatterplot_hos_UCI (provincias,"Castilla y León")
plot(res)

08 Castilla l La Mancha

Segunda Ola (desde el 3 de agosto)

res <-  connected_scatterplot_hos_UCI (provincias,"Castilla - La Mancha")
plot(res)

09 Cataluña

Segunda Ola (desde el 3 de agosto)

res <-  connected_scatterplot_hos_UCI (provincias,"Cataluña")
plot(res)

10 Comunitat Valenciana

Segunda Ola (desde el 3 de agosto)

res <-  connected_scatterplot_hos_UCI (provincias,"Comunitat Valenciana")
plot(res)  

11 Extremadura

Segunda Ola (desde el 3 de agosto)

res <-  connected_scatterplot_hos_UCI (provincias,"Extremadura")
plot(res) 

12 Galicia

Segunda Ola (desde el 3 de agosto)

res <-  connected_scatterplot_hos_UCI (provincias,"Galicia")
plot(res)

13 Madrid, Comunidad de

Segunda Ola (desde el 3 de agosto)

res <-  connected_scatterplot_hos_UCI (provincias,"Madrid, Comunidad de")
plot(res)

14 Murcia, Región de

Segunda Ola (desde el 3 de agosto)

res <-  connected_scatterplot_hos_UCI (provincias,"Murcia, Región de")
plot(res)

15 Navarra, Comunidad Foral de

Segunda Ola (desde el 3 de agosto)

res <-  connected_scatterplot_hos_UCI (provincias,"Navarra, Comunidad Foral de")
plot(res)

16 País Vasco

Segunda Ola (desde el 3 de agosto)

#res <-  connected_scatterplot_hos_UCI (provincias,"País Vasco")
#plot(res)

17 Rioja, La

Segunda Ola (desde el 3 de agosto)

res <-  connected_scatterplot_hos_UCI (provincias,"Rioja, La")
plot(res)

18 Ceuta

Segunda Ola (desde el 3 de agosto)

res <-  connected_scatterplot_hos_UCI (provincias,"Ceuta")
plot(res)

19 Melilla

Segunda Ola (desde el 3 de agosto)

res <-  connected_scatterplot_hos_UCI (provincias,"Melilla")
plot(res)